基于神经网络的蜂群特征分类

一群自主智能体在空中、水面或陆地上协同行动时，防御方往往只有很短的时间窗和很嘈杂的观测数据，却要判断对方是侦察、包围还是诱骗。这份由 Donald W. Peltier III 在 Naval Postgraduate School 完成的机械工程博士论文，处理的正是这个问题：能否用神经网络对观测序列做时间序列分类，从而在观测有限的情况下快速推断对抗性 swarm 的属性和战术。它值得现在看的地方在于，论文没有停在“分类准确率有多高”，而是继续往两个方向推：一是通过数据和轨迹设计主动改善可分类性，二是用 Bayesian neural network 把“不确定”拆成可解释的部分。对于关心多智能体态势感知与决策的人来说，这是一条比较完整的技术链条。

论文的工作范围覆盖三类相互衔接的内容。基础层是多种确定性神经网络架构，用于对 swarm 智能体的属性和战术做时序分类；中间层是数据侧和观测侧的强化，包括构建更丰富的增强数据集，以及一个优化防御者轨迹的框架，通过机动诱使对手做出更易被区分的反应；最后一层转向 Bayesian neural network 做不确定性量化。材料给出的关键词也印证了这个跨度，涉及 onboard intelligence、fleet coordination、autonomous interactions、augmentation、operationally constrained optimization 以及 out-of-distribution 检测。论文指导为 Isaac I. Kaminer，文档标注为公开可分发的博士学位论文。

最核心的一组结果来自确定性架构的评测。多种网络架构在区分 swarm 智能体属性与战术时，准确率超过 90%，而这个数字是在相当苛刻的条件下取得的：观测窗口很短，噪声水平最高达到 50%，swarm 规模从 10 个智能体变化到 100 个。换句话说，性能并不是在干净、长时段、固定规模的理想设定下刷出来的，作者的评测维度本身就对应了实战中最容易出问题的三种扰动。这一点是整份工作可信度的基础，因为战术推断的难点通常不在模型容量，而在观测太少、太脏、队形规模又事先未知。

在此基础上，论文承认作战环境的不确定性无法被完全枚举，于是转向数据侧改进：通过构建增强数据集提升网络鲁棒性，并在所有被建模的作战变化下都观察到分类准确率的改善。更进一步，作者引入一个框架来优化防御者自身的轨迹，目的不是规避，而是让对手的响应更有利于分类，同时满足作战约束——这意味着观测不是被动接收的，机动本身可以成为信息获取手段。最后一部分用 Bayesian neural network 区分模型层面的 epistemic 不确定性与数据层面的 aleatoric 不确定性，这种分解据摘要所述可以识别偏差、改善模型校准，并可靠地检出此前未见过的对抗战术。

把这些结论放在一起看，意义不只是“分类器更准了”。在实时决策链里，一个只给标签的模型和一个同时告诉你“我有多确信、这份不确信来自模型知识不足还是数据噪声”的模型，使用方式完全不同：后者支持在置信度低时改变观测策略或请求更多信息，而不是盲目采信。对未见战术的检测能力尤其关键，因为对抗方的创新恰恰是训练集覆盖不到的部分。作者还主张，这套方法不依赖具体作战域或智能体动力学——这是解读层面的一个重要主张，如果成立，意味着方法可以跨平台复用；但它属于作者的论断，读者仍应按自己的场景做验证。

这份资料适合做多智能体态势感知、时序分类、鲁棒性评测和贝叶斯深度学习应用的人读。可以拿走的至少有三样：一套评价鲁棒性的实验维度设计（观测长度、噪声强度、规模变化），一种把数据增强与观测/轨迹设计结合起来的思路，以及用不确定性分解支撑“知道自己不知道”的工程做法。需要留意的边界是，摘要层面的定位是可行性论证，给出的主要是准确率区间和条件范围，具体网络结构、数据如何生成、仿真与真实平台的差距，都需要回到正文核对；面向军事对抗的问题设定，也意味着迁移到民用场景时要重新论证其假设是否成立。

SWARM CHARACTERISTICS CLASSIFICATION USING NEURAL NETWORKS Title SWARM CHARACTERISTICS CLASSIFICATION USING NEURAL NETWORKS Item Type Thesis Authors Peltier, Donald W., III URI https://hdl.handle.net/10945/74171 Publisher Monterey, CA; Naval Postgraduate School Date Issued 2025-06 Rights This publication is a work of the U.S. Government as defined in Title 17, United States Code, Section 101. Copyright protection is not available for this work in the United States. Download date 2026-11-04 22:57:53 Link to Item https://hdl.handle.net/10945/74171 Downloaded from NPS Archive: Calhoun NAVAL POSTGRADUATE SCHOOL MONTEREY, CALIFORNIA DISSERTATION SWARM CHARACTERISTICS CLASSIFICATION USING NEURAL NETWORKS by Donald W. Peltier III June 2025 Dissertation Supervisor: Isaac I. Kaminer Distribution Statement A. Approved for public release: Distribution is unlimited.